Revista de Economia e Sociologia Rural
https://revistasober.org/article/doi/10.1590/1806-9479.2021.249013
Revista de Economia e Sociologia Rural
Artigo Original

Métodos de previsão de prêmios para o Seguro Agrícola e destinação de recursos públicos ao Programa de Subvenção ao Prêmio do Seguro Rural

Premium forecasting methods for Crop Insurance and allocation of federal resources to the Crop Insurance Premium Subsidy Program

Arthur Augusto Lula Mota; Vitor Ozaki; Daniel Lima Miquelluti

Downloads: 1
Views: 486

Resumo

Resumo: A previsão dos prêmios do seguro agrícola tem impacto relevante no dimensionamento orçamentário do Programa de Subvenção ao Prêmio do Seguro Rural (PSR). Pela ótica da responsabilidade e do planejamento do gasto público, é preciso estimar com relativa precisão quanto se pretende despender com o Programa no curto e médio prazo (Emenda Constitucional nº 95, de 2016). O presente estudo faz uma comparação de métodos para a projeção do prêmio do seguro agrícola por região. Foram utilizados os modelos SARIMA e os algoritmos NNAR, TBATS, MAPA e ELM, com e sem a covariável de subsídio. As metodologias foram aplicadas aos dados mensais do volume de prêmio do seguro agrícola das regiões Sul, Sudeste, Centro-Oeste e Nordeste do Brasil de 2006 a 2018. Foi observado que o modelo SARIMA univariado mostrou o melhor resultado nas regiões Centro-Oeste e Nordeste, ao passo que o SARIMA e o ELM com a covariável foram superiores na região Sul e Sudeste, respectivamente. A partir desses resultados, foi possível discutir a relevância da subvenção para a ampliação do seguro nas regiões analisadas.

Palavras-chave

seguro agrícola, prêmio, previsão, subvenção

Abstract

Abstract: The forecast of crop insurance premiums has a relevant impact on the budget dimensioning of the Crop Insurance Premium Subsidy Program (PSR). From the perspective of responsibility and public expenditure planning, it is necessary to estimate with relative precision how much is intended to be spent on the program in the short and medium-term (Constitutional Amendment no. 95, 2016). The present study makes a comparison of methods for the projection of the agricultural insurance premium, by region. The SARIMA models and the NNAR, TBATS, MAPA, and ELM algorithms were used, with and without a subsidy covariate. The methodologies were applied to the monthly data of the premium volume of crop insurance in the South, Southeast, Midwest, and Northeast regions of Brazil between 2006 and 2018. It was observed that the univariate SARIMA model showed better results in the Midwest regions and Northeast, while SARIMA and ELM with the covariate were higher in the South and Southeast, respectively. From these results, it was possible to discuss the relevance of the subsidy for the expansion of insurance in the regions analyzed.
 

Keywords

crop insurance, premium, forecast, subvention

Referências

Adami, A., & Ozaki, V. (2012). Modelagem estatística dos prêmios do seguro rural. Revista de Política Agrícola, 21(1), 60-75.

Akaike, H. (1973). Information theory and the maximum likelihood principle. In 2nd International Symposium on Information Theory. Budapest.

Alexander, G. D. (2007). Simple kNN-method for times series prediction (p. 2). Hamburg: Neural Forecasting Competition.

Arias, D., Mendes, P., & Abel, P. (2020). Revisão rápida e integrada da gestão de riscos agropecuários no Brasil. Recuperado em 22 de fevereiro de 2021, de https://ainfo.cnptia.embrapa.br/digital/bitstream/item/142661/1/Revisao-rapida-e-integrada-da-gestao.pdf

Athanasopoulos, G., Hyndman, R. J., & Song, H. (2011). The tourism forecasting competition. International Journal of Forecasting, 27(3), 822-844.

Bergmeir, C., Hyndman, R., & Koo, B. (2018). A note on the validity of cross-validation for evaluating autoregressive time series prediction. Computational Statistics & Data Analysis, 120, 70-83.

Box, G., & Pierce, D. (1970). Distribution of residual autocorrelations in autoregressive-integrated moving average time series models. Journal of the American Statistical Association, 65, 1509-1526.

Brasil. Ministério da Agricultura, Pecuária e Abastecimento. (2018). Relatório seguro rural: resultado geral 2018. Recuperado em 22 de fevereiro de 2021, de http://www.agricultura.gov.br/assuntos/riscosseguro/seguro-rural/relatorios-estatisticos

Brasil. Ministério da Agricultura, Pecuária e Abastecimento. (2021). Atlas do seguro rural. Recuperado em 22 de fevereiro de 2021, de http://indicadores.agricultura.gov.br/atlasdoseguro/index.htm

Brasil. Instituto Brasileiro de geografia e Estatística. (2021). Sistema IBGE de Recuperação Automática - SIDRA, v. 2021.

De Livera, A. M., Hyndman, R. J., & Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing. Journal of the American Statistical Association, 106(496), 1513-1527.

Denton, F. (1971). Adjustment of monthly or quarterly series to annual totals: an approach based on quadratic minimization. Journal of the American Statistical Association, 66(333), 99-102.

Dickey, D., & Fuller, W. (1981). Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49(4), 1057-1072.

Dietz, D. (2018). Autoregressive neural network processes: univariate, multivariate and cointegrated models with application to the German automobile industry (Tese de doutorado). Recuperado em 22 de fevereiro de 2021, de https://opus4.kobv.de/opus4-uni-passau/frontdoor/index/index/docId/142

Flores, J. H., & Werner, L. (2019). Aplicação de redes neurais artificiais à previsão de vendas de máquinas agrícolas: um estudo de caso junto a AGCO do Brasil Ltda (Trabalho de conclusão de curso). Recuperado em 22 de fevereiro de 2021, de https://lume.ufrgs.br/handle/10183/135441

Guimarães, M. F., & Nogueira, J. M. (2009). A experiência norte-americana com o seguro agrícola: lições ao Brasil? Revista de Economia e Sociologia Rural, 47(1), 27-58.

Hibon, M., & Evgeniou, T. (2005). To combine or not to combine: selecting among forecasts and their combinations. International Journal of Forecasting, 21(1), 15-24.

Huang, C., Huang, C., & Wang, M. A. (2005). Particle Swarm Optimization to Identifying the ARMAX Model for Short-Term Load Forecasting. IEEE Transactions on Power Systems, 20(2), 1126-1133.

Huang, G., & Babri, H. A. (1998). Upper bounds on the number of hidden neurons in feedforward networks with arbitrary bounded nonlinear activation functions. IEEE Transactions on Neural Networks, 9, 224-229.

Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688.

Hyndman, R. J., Koehler, A. B., & Snyder, R. D. (2008). Forecasting with exponential smoothing: the state space approach. Springer.

Hyndman, R. J. (2014). Measuring forecast accuracy. In: J. Wiley & S. Hoboken. Business forecasting: Practical problems and solutions, p. 177-183.

Kourentzes, N., Petropoulos, F., & Trapero, J. R. (2014). Improving forecasting by estimating time series structural components across multiple frequencies. International Journal of Forecasting, 30(2), 291-302.

Ljung, G., & Box, G. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297-303.

Macedo, L. O., Pacheco, A. B., & Santo, E. (2013). A evolução do Programa de Subvenção do Prêmio do Seguro Rural: uma avaliação do período 2006-10. Revistas Eletrônicas FEE, 40(4), 99-112.

Mavroutsikos, C., Giannakas, K., & Walters, C. (2021). The role of premium subsidies in crop insurance. PLoS One, 16(4), e0250129.

Medeiros, E. A. (2013). Avaliação da implementação do programa de subvenção do prêmio do Seguro Rural. Revista de Economia e Sociologia Rural, 51(2), 1-14.

Mota, A. A. L. (2019). Previsão de prêmio e a ocorrência de sinistros no mercado de seguro agrícola brasileiro (Dissertação de mestrado). Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba. http://dx.doi.org/10.11606/D.11.2019.tde-19112019-181327.

Oliveira, A. C., Souza, A. A., Lacerda, W. S., & Gonçalves, L. R. (2010). Aplicação de redes neurais artificiais na previsão da produção de álcool. Revista Ciência e Agrotecnologia, 34(2), 279-284.

Ozaki, V. A. (2008). Em busca de um novo paradigma para o seguro rural no Brasil. Revista de Economia e Sociologia Rural, 46(1), 1-23.

Ozaki, V. A. (2010). Uma digressão sobre o programa de subvenção ao prêmio do seguro rural e as implicações para o futuro do mercado do seguro rural. Revista de Economia e Sociologia Rural, 48(4), 757-776.

Ozaki, V. A. (2013). Qual o custo governamental para segurar todo o crédito de custeio das lavouras? Revista de Economia e Sociologia Rural, 51(1), 125-138.

Pappenberger, F., Ramos, M. H., Cloke, H. L., Wetterhall, F., Alfieri, L., Bogner, K., Mueller, A., & Salamon, P. (2015). How do I know if my forecasts are better? Using benchmarks in hydrological ensemble prediction. Journal of Hydrology, 522, 697-713.

‪R Core Team. (2013). R: a language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.

Santos, G., & Silva, F. (2017). Dez anos do Programa de Subvenção ao Prêmio de Seguro Agrícola: proposta de índice técnico para análise do gasto público e ampliação do seguro (Texto para Discussão, No. 2290). IPEA.

Sax, C., & Steiner, P. (2013). Temporal disaggregation of time series. The R Journal, 5(2).

Singh, R. & Balasundaram, S. (2007). Application of extreme learning machine method for time series analysis.International Journal of Intelligent Technology, 2(4), 256-262.

Soares, F. C., Robaiana, A. D., Peiter, M. X., & Russi, J. L. (2015). Predição da produtividade da cultura do milho utilizando rede neural artificial. Ciência Rural, 45(11), 1987-1993.

Superintendência de Seguros Privados – Susep. (2018). Dados de prêmio do seguro agrícola por Unidade Federativa. Recuperado em 22 de fevereiro de 2021, de http://www2.susep.gov.br/menuestatistica/SES/premiosdesegurosporuf.aspx?id = 4

Taylor, J. W. (2003). Short-term electricity demand forecasting using double seasonal exponential smoothing.Journal of the Operational Research Society, 54(8), 799-805.

Thielbar, M., & Dickey, D. (2017). Neural networks for time series forecasting. Future Computing and Informatics Journal, 2(1), 39-47.

Yang, H., Huang, C., & Huang, C. (1996). Identification of ARMAX model for short term load forecasting: an evoliutionary programming approach. IEEE Transactions on Power Systems, 11(1), 403-408.

Zhang, P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.
 


Submetido em:
22/02/2021

Aceito em:
24/06/2021

61827ff2a9539525d9129e88 resr Articles
Links & Downloads

resr

Share this page
Page Sections